MARGO

Aktualności

Data Science w świecie handlu detalicznego: 10 najważniejszych przypadków wykorzystania

Wykorzystanie Big Data zapewnia przewagę konkurencyjną w handlu detalicznym

Autor: Youssef Bennani Senior Data Scientist

01/06/2018

Data Science w coraz większym stopniu wpływa na modele biznesowe we wszystkich gałęziach przemysłu, zwłaszcza w sprzedaży detalicznej. Według IBM, 62% detalistów deklaruje, że wykorzystanie technik związanych z Big Data daje im poważną przewagę konkurencyjną. Dzięki data sicence możemy sprawdzić, czego potrzebuje klient i w jakim momencie jest obecnie na wyciągnięcie ręki. Aby to zrobić, musimy jedynie posiadać odpowiednie narzędzia i wdrożyć dobre procedury związane z ich używaniem. W niniejszym artykule przedstawiamy 10 najważniejszych zastosowań data science w handlu detalicznym.

 

Zapewniamy klientowi inteligentniejsze doświadczenia

Klient oczekuje od przedsiębiorstw, aby wyprzedzały jego potrzeby, posiadały produkty, których potrzebuje i komunikowały się z nim w czasie rzeczywistym. Aby odpowiedzieć na oczekiwania swoich klientów, centrum handlowe Mall of America, drugi największy kompleks handlowy w Stanach Zjednoczonych, nawiązało współpracę z IBM, opracowując chatbot zwany E.L.F. Chatbox towarzyszy klientom odwiedzającym ogromny kompleks, wytyczając spersonalizowaną trasę zakupów i proponując dobre doświadczenia klienta, w zależności od jego potrzeb i wymagań.
Personalizacja ta polega również na reklamowaniu punktu sprzedaży poprzez korzyści lojalnościowe lub promocje. Gromadzone dane osobowe pozwalają również na wysyłanie klientom zindywidualizowanych reklam w celu zwiększenia sprzedaży.
Dzięki takim technikom detaliści mają możliwość łączenia wyników danych klientów z danymi o ilości zapasów lub promocjach cenowych, aby dokładnie określić jakie produkty są oferowane w poszczególnych sklepach. Daje to gwarancję posiadania produktów odpowiadających zwyczajom zakupowym klientów w poszczególnych punktach.

 

Wyprzedzamy trendy dzięki wykorzystaniu sieci społecznościowych

Jeśli jesteś detalistą i nie śledzisz mediów społecznościowych, tracisz ogromną ilość bezpłatnych i potencjalnie cennych informacji, które pozwalają orientować się w trendach.

Nordstrom, marka produktów luksusowych, wykorzystała Big data, aby połączyć doświadczenie sprzedaży online i offline. Zespół Nordstom odpowiedzialny za marketing śledzi Pinterest, Instagram i Twitter, aby określić najbardziej modne produkty. Następnie używa tych danych do promowania „dobrych” produktów w swoich sklepach stacjonarnych. Poza tym Nordstrom umieszcza interaktywne ekrany dotykowe w przebieralniach, aby umożliwić klientom zamawianie produktów oraz przeglądanie asortymentu dostępnego online.
Ta strategia oparta na sieciach społecznościowych wykorzystuje głównie dane niestrukturyzowane. Wykorzystanie automatycznego przetwarzania języka (NLP) w celu pozyskania informacji z mediów społecznościowych oraz uczenie maszynowe umożliwiające nadanie im znaczenia, mogą dać firmie przewagę nad konkurencją. Przetwarzanie tego rodzaju danych wymaga jednak wyczucia pozwalającego zdobyć lojalność klientów, szanując jednocześnie ich prywatność.

 

Integrujemy rzeczywistość rozszerzoną

Od 2010 roku TopShop, międzynarodowe przedsiębiorstwo specjalizujące się w sprzedaży odzieży, eksperymentuje z nowymi technologiami, aby włączyć rzeczywistość rozszerzoną do swoich rozwiązań sprzedażowych. Główne sklepy posiadają wirtualne przymierzalnie, w których klienci mogą wybierać ubrania i zobaczyć na ekranie, czy dobrze w nich wyglądają. Klient oszczędza czas oraz wysiłek związany z przymierzaniem kolejnych rzeczy.
IKEA, szwedzki gigant wyposażenia wnętrz, po raz pierwszy zademonstrował rozpoznawanie obrazów oraz rzeczywistość rozszerzoną przy okazji prezentacji swojego katalogu na rok 2013. Klienci mieli możliwość przeglądania katalogu za pomocą swoich telefonów komórkowych i wyróżniania produktów, które ich interesują. Dzięki temu marka oferowała spersonalizowaną treść cyfrową oraz opinie pomagające im w podjęciu decyzji o zakupie. Marka wykorzystywała również technologię rozpoznawania obrazu, za pomocą której klienci mogli zeskanować artykuły z katalogu i umieścić je wirtualnie w swoim własnym domu, aby zobaczyć, czy będą się dobrze komponować. Następnie mogli wybrać kolory i rozmiary, które będą lepiej pasowały do ich wnętrza, bez konieczności zakupu produktu. Pozwoliło to odbiorcom katalogu dokonać świadomego zakupu, a w konsekwencji zwiększyć zadowolenie klienta i ograniczyć liczbę zwróconych towarów.

 

Doładowujemy systemy rekomendacji

Według doniesień ponad 35% wszystkich sprzedaży w Amazon generowanych jest za pomocą systemu rekomendacji używanego przez tą firmę. Zasada jest dość prosta: na podstawie historii zakupów danego użytkownika, artykułów które ma już w swoim koszyku, artykułów które zapisał lub polubił w przeszłości oraz tego, co inni klienci przeglądali lub kupowali w ostatnim czasie, generowane są automatycznie propozycje innych produktów.
Polecenia są jednym z klasycznych przypadków wykorzystania Data Science w handlu detalicznym. Wdrożenie modelów automatycznego przyswajania danych historycznych może umożliwić przygotowanie precyzyjnych i skutecznych planów rekomendacji.

 

Path to Purchase

Analiza drogi przebytej przez klienta w celu dokonania zakupu jest innym narzędziem handlu detalicznego, który może być udoskonalony dzięki wykorzystaniu Data Science.
Podczas gdy kierownicy ds. marketingu od wielu lat analizują techniki ścieżki zakupowej (Path to Purchase), nadejście Data Science pozwala wyciągnąć to co najlepsze z tego rodzaju analizy. Rozwój marketingu wielokanałowego w handlu detalicznym oraz sprzedaż wielokanałowa stworzyły ogromną liczbę różnych ścieżek, które mogą wybrać klienci by kupić dany produkt.
Narzędzia uczenia maszynowego mogą pomóc nam zrozumieć zwyczaje zakupowe klientów i skupić się na tym, co rzeczywiście działa w świecie rzeczywistym.

 

Analizujemy paragony

Analiza koszyka zakupowego jest standardową techniką wykorzystywaną przez detalistów w celu określenia grup produktów, które kupują klienci. Z punktu widzenia biznesowego jest to klasyczna technika, która może być teraz zautomatyzowana dzięki Data Science.
Możliwości przechowywania coraz większej ilości danych pozwalają na przeanalizowanie o wiele większej liczby paragonów i na pozyskanie bardziej wiarygodnych analiz.

 

Zarządzamy wyposażeniem

Nauka o danych może również pomóc wielkim detalistom w optymalizacji ich wydatków na zarządzanie wyposażeniem. Analiza danych dotyczących różnego rodzaju wyposażenia w budynku (konserwacja zapobiegawcza) może zapobiec ewentualnym katastrofalnym w skutkach awariom. Wdrożenie uczenia maszynowego w ramach konserwacji przewidywalnej oraz odwoływanie się do danych historycznych umożliwiają uzyskanie modelów, które udoskonalają się z biegiem czasu, zmniejszając jednocześnie powiązane koszty. Detaliści mogą również zaoszczędzić dużo pieniędzy, wykorzystując Data Science do analizy zużycia energii Data Science pomaga nam nie tylko w opracowaniu budżetu, ale również w odnalezieniu ulepszeń w budynkach o szczególnie dużym zapotrzebowaniu na energię, jakimi są centra handlowe.

 

Optymalizujemy ceny

Od dobrej ceny często zależy to, czy sprzedamy produkt czy stracimy klienta. Ale jak ustalić dobrą cenę? Detaliści, którzy podchodzą do tej kwestii wykorzystując narzędzia Big Data, mogą osiągnąć przewagę nad tymi, którzy ich nie używają.
W wielu przypadkach ustalenie dobrej ceny wymaga wiedzy na temat tego, za ile sprzedaje konkurencja. Dane te mogą być gromadzone elektronicznie za pomocą algorytmów, które przeszukują strony internetowe konkurencji, aby uzyskać szczegółowe informacje na temat cen produktów.

 

Maksymalizujemy inwentarz

Coraz krótsze cykle życia produktów oraz coraz bardziej skomplikowane operacje zmuszają detalistów do wykorzystania Data Science w celu zrozumienia łańcucha dostaw i zaproponowania optymalnej dystrybucji produktów.
Optymalizacja zapasów jest operacją, która dotyczy wielu aspektów łańcucha dostaw i wymaga często ścisłej koordynacji między producentami i dystrybutorami. Detaliści starają się coraz bardziej zwiększyć dostępność produktów, zwiększając jednocześnie rentowność sklepów, aby uzyskać przewagę konkurencyjną i wygenerować lepsze wyniki handlowe.
Jest to możliwe dzięki algorytmom wysyłkowym, które określają które produkty należy posiadać w magazynie, uwzględniając dane zewnętrze, takie jak warunki makroekonomiczne, dane klimatyczne i dane społeczne. Serwery, maszyny fabryczne, urządzenia należące do klienta oraz infrastruktura sieci energetycznej są przykładami źródeł cennych danych.

 

Wykrywamy oszustwa

Oszustwa stanowią ogromny problem handlu detalicznego. Są odpowiedzialne za coroczne straty ogromnych sum. Aby zyskać przewagę, detaliści odwołują się do Data Science.
Nauka o danych może im pomóc w tworzeniu referencyjnych prognoz sprzedaży dla poszczególnych produktów. Jeżeli dany produkt wykracza poza określone widełki, może to oznaczać pojawienie się „podejrzanej” działalności.
Oszustwa popełniane przez pracowników mogą być trudne do powstrzymania. Jednak dzięki zaletom Data Science kontrolerzy mogą zaprowadzić większą przejrzystość w działaniach wewnętrznych.

 

Wnioski

Innowacyjne wykorzystanie Data Science wyraźnie poprawia kontakt z klientem i może być potencjalną dźwignią wzrostu sprzedaży w sklepach detalicznych. Korzyści jest bardzo dużo: lepsze zarządzanie ryzykiem, poprawa wyników oraz możliwość poznania informacji, które mogłyby pozostać ukryte.
Większość detalistów wykorzystuje już rozwiązania proponowane przez Data Science, aby zwiększyć lojalność klientów, wzmocnić wizerunek marki oraz poprawić wyniki akcji promocyjnych. Ponieważ technologia ciągle się rozwija, jedno jest pewne: Data Science może jeszcze wiele wnieść do świata handlu detalicznego!


Autor: Youssef Bennani Senior Data Scientist
Dane
Data Science
Machine Learning
Aktualności

Projekty z dziedziny Data Science to wciąż droga pełna przeszkód

Projekty z dziedziny Data Science to wciąż droga pełna przeszkód W czasach, gdy wiele firm pretenduje do miana „spółek działających w oparciu o dane” nadal wiele projektów z zakresu Data Science kończy się porażką. W większości przypadków porażki wynikają z dobrze znanych i powtarzalnych przyczyn. Pierre Fares, Digital Offering & Business Transformation Officer w firmie Margo, opowiada o częstych pułapkach, których bezwzględnie należy unikać.

Więcej 
Aktualności

Tutorial: Podstawy stosowania Pythona do prognozowania szeregów czasowych

W tutorialu wprowadzamy kilka podstawowych pojęć z zakresu szeregów czasowych, aby umożliwić „szybką” predykcję przyszłych wartości w odniesieniu do danych czasowych.

07/11/2018 Więcej 
Aktualności

Utworzenie scentralizowanej platformy zarządzania logami za pomocą pakietu narzędzi Elastic

Ilość danych generowanych przez nasze systemy i aplikacje stale rośnie, co powoduje wzrost liczby centrów danych i systemów przechowywania danych. W obliczu tej eksplozji danych i inwestycji w wiedzę fachową i zasoby, decydenci potrzebują uzasadnionych analiz i zaawansowanych tabel, umożliwiających im zarządzanie swoimi systemami i klientami.

04/06/2018 Więcej 
Aktualności

Zegary Lamporta i wzorzec Idempotent Producer (Kafka)

Znacie zegary Lamporta? Podczas konferencji Devoxx France 2018 była okazja, w trakcie bardzo interesującej prezentacji DuyHai DOAN, do poznania lub ponownego poznania tego algorytmu, sformalizowanego przez Lesliego Lamporta w 1978 r., częściej niż kiedykolwiek używanego dzisiaj w dziedzinie systemów rozproszonych, który w szczególności skłonił twórców Apache Kafka do wprowadzenia wzorca Idempotent Producer.

25/05/2018 Więcej 
Aktualności

Wprowadzenie do TensorFlow na datalab od Google Cloud Platform

TensorFlow to biblioteka programów do obliczeń numerycznych, działająca na zasadzie open source od 2015 r., opracowana przez Google. Szczególną cechą TensorFlow jest wykorzystanie diagramów przepływu danych (data flow graphs).

11/05/2018 Więcej 
Aktualności

Krótkie wprowadzenie do chatbotów tworzonych za pomocą Dialogflow

Ostatnio pracuję nad chatbotem, korzystając z aplikacji Google Dialogflow. Niniejszy artykuł zawiera kilka moich uwag dotyczących Dialogflow i chatbotów. Opisuję w nim też sposób, jak stworzyć prostego chatbota za pomocą platformy Dialogflow.

07/05/2018 Więcej